Calibrated uncertainty quantification for prosumer flexibility aggregation in ancillary service markets

기술 요약: 프로슈머 유연성 집합을 위한 교정된 불확실성 정량화

문제 정의
독립적인 수요 반응 집합자(Aggregators)는 분산 에너지 자원(DER)을 덴마크의 수동 주파수 조정 예비력(mFRR) 용량 시장과 같은 보조 서비스 시장에 통합하는 데 중추적인 역할을 수행한다. 핵심적인 과제는 상당한 인식론적 불확실성(Epistemic uncertainty) 조건 하에서 프로슈머(생산자이자 소비자)의 가격 반응성을 정확하게 예측하는 것이다. 이러한 불확실성은 제한된 과거 행동 데이터, 외생적 예측(날씨, 부하, 가격)에 대한 의존성, 그리고 프로슈머의 이질적인 행동으로부터 발생한다.

덴마크 mFRR과 같은 시장에서 참여자들은 엄격한 신뢰성 요구 사항, 특히 예약된 용량이 최대 10%의 확률로 편차를 가질 수 있도록 규정하는 P90 표준을 준수해야 한다. 결정론적 모델이나 교정되지 않은 확률 모델은 이러한 환경에 부적합하다. 이들은 유연성 가용량을 과대평가하여 미준수, 재정적 벌금 또는 시장 정지로 이어질 수 있다. 반대로, 지나치게 보수적인 추정치는 시장 경쟁력과 수익성을 저하시킨다. 본 논문은 규제 제약 조건을 충족하고 경제적 성과를 최적화하기 위해, 인식론적 불확실성을 포착하면서 동시에 공식적인 유한 표본 커버리지 보장(Finite-sample coverage guarantees)을 제공하는 데이터 기반 프레임워크의 필요성을 다룬다.

방법론
본 연구는 **몬테카를로 드롭아웃(Monte Carlo Dropout, MCD)**과 **컨포멀 예측(Conformal Prediction, CP)**을 결합한 하이브리드 불확실성 정량화(UQ) 프레임워크를 제 제안한다.

1. 하이브리드 MCD–CP 프레임워크:

   • 몬테카를로 드롭아웃 (MCD): 추론 시 드롭아웃 레이어를 유지함으로써 인식론적 불확별성을 포착하며, 이는 딥 가우시안 프로세스를 근사한다. 이는 예측 분포를 제공하지만, 종종 미교정된 구간을 생성한다.
   • 컨포멀 예측 (CP): 데이터 교환 가능성(Data exchangeability) 하에서 유한 표본 커버리지 보장을 갖는 예측 구간을 구축하기 위해 MCD 출력에 적용되는 분포 비의존적(Distribution-free) 방법이다.
   • 통합: 프레임워크는 MCD를 사용하여 확률적 샘플을 생성하고, CP를 사용하여 이 샘플들을 유효한 예측 영역으로 교정한다. 본 연구는 예측 영역 $\xi$를 정의하기 위해 네 가지 다변량 적합도 점수(Conformity scores)를 평가한다:
     • MCP: 분위수 밴드를 사용하는 다변량 컨포멀 예측.
     • MMCP: 출력 전반에 걸친 최대 마할라노비스 거리(Max-Mahalanobis distance)를 사용하는 Max-Mahalanobis 컨포멀 예측.
     • PCP: 초구(Hyperspheres)의 합집합을 사용하는 확률적 컨포멀 예측.
     • CCP: 결합 잔차 의존성(Joint residual dependencies)을 모델링하는 코풀라(Copula) 컨포멀 예측.

2. 집합자 입찰 모델:

   • 프레임워크는 의사결정 의존적 찬스 제약 최적화 문제(Decision-dependent chance-constrained optimization problem)에 내장된다.
   • 집합자는 입찰 용량과 프로슈머를 위한 인센티브 가격(수익 공유 메커즘 $\beta$에 기반함)을 결정함으로써 이익을 극대화한다.
   • P90 신뢰성 제약은 교정된 예측 구간의 하한값($l = \inf \xi$)을 결정론적 용량 한계로 사용하여 강제되며, 이를 통해 $P[y \in \xi] \geq 1 - \alpha$를 보장한다.

3. 데이터 생성:

   • 100명의 프로슈머에 대해 22,000개의 시나리오를 포함하는 대규모 합성 데이터셋이 Watts A/S의 수정된 산업 등급 홈 에너지 관리 시스템(HEMS)을 사용하여 생성되었다.
   • 입력값에는 시장 가격, 활성화 신호, 부하 프로필, 태양광 발전량 및 장치 사양이 포함되었다. 모델은 집합된 상향 조절(Up-regulation) 유연성을 예측한다.

주요 기여
본 논문은 최신 기술(State-of-the-art) 대비 세 가지 주요 기여를 주장한다:

1. 확장 가능한 하이브리드 프레임워크: 단기 설정에 국한된 계산 비용이 많이 드는 베이지안 신경망(BNN)에 의존하는 기존 연구와 달리, 본 연구는 MCD–CP 하이브리드를 다단계(Multi-time-step), 다변량 집합자 입찰 문제에 적용한다. 이를 통해 이 접근 방식이 P90 준수를 만족하면서도 경제적으로 생존 가능하다는 것을 입증한다.
2. 교정의 체계적 비교: 본 연구는 단독 MCD와 하이브리드 MCD–CP 방법을 실제적인 다단계 최적화 설정에서 체계적으로 배치하고 비교한다. 단독 MCD의 고유한 미교정 특성(유연성을 체계적으로 과대평가함)이 컨포멀 교정에 의해 효과적으로 완화되어, 의사결정에 적합한 구간을 생성함을 보여준다.
3. 현실적인 합성 데이터셋: 저자들은 공공 데이터를 결합하여 수정된 산업 등급 HEMS 알고리즘을 사용한 종합적인 합성 데이터셋을 개발하였으며, 이를 통해 실제 시장 조건 하에서의 예측 신뢰성과 경제적 성과를 현실적으로 평가하였다.

결과

• 예측 신뢰성: 단독 MCD 및 비컨포멀 베이스라인은 P90 요구 사항을 충족하는 데 실패하였으며, 거의 0에 가까운 결합 예측 구간 커버리지 확률(PICP)과 높은 과입찰 빈도(최대 약 100% 위반)를 보였다. 반면, CP 기반 방법들(MMCP, PCP, CCP)은 목표치인 90% 커버리지를 달달성했다. PCP가 가장 보수적이었으며(미교정률 0.14%), MMCP와 MCP는 신뢰성과 구간 폭 사이의 균형을 제공했다.
• 경제적 성과:
  • 미교정된 방법들(예: 표본 평균)은 초기에는 수익성이 있어 보였으나, P90 벌금이 적용될 때 잦은 과입찰로 인해 심각한 손실(완전 정보 이익의 최대 -97%)을 입었다.
  • 하이브리드 MCD–CP 프레임워크는 과입찰 위험을 크게 줄였다. MCP와 MMCP 방식은 완전 정보(PI) 이익의 약 **68~71%**를 유지하면서 규제 제약 조건을 충 satisfaction 만족하여 가장 높은 조정 이익을 달성했다.
  • PCP와 CCP는 더 보수적이었지만, 벌금 체계 하에서 모든 비-CP 베이스라인보다 우수한 성과를 보였다.
• 인센티브 민감도: 수익 공유 파라미터 $\beta$에 대한 분석 결과, 약한 공급 탄력성(3~5%)이 나타났다. 프로슈머들은 낮은 인센티브 수준에서도 대부분의 가용 유연성을 제공하였으며(97%의 시나리오에서 최적 $\beta$는 0.1로 발견됨), 이는 인센티브를 높이는 것이 집합자에게 한계 수익의 감소를 가져온다는 것을 시사한다.

의의 및 주장
본 논문은 제안된 MCD–CP 프레임워크가 실용적이고 계산 효율적이며 시장 준수가 가능한 집합자 유연성 예측 솔루션을 제공한다고 주장한다. 그 의의는 통계적 엄밀성(유한 표본 보장)과 경제적 생존 가능성 사이의 간극을 메우는 데 있다. 미교정된 확률 출력을 교정된 예측 구간으로 변환함으로써, 프레임적으로 집합자가 공격적인 입찰과 규제 준수 사이의 절충안을 탐색할 수 있게 한다.

저자들은 현재의 시장 설계가 낮은 한계 이득으로 인해 프로슈머 참여에 장벽이 된다는 점을 언급하며, 본 프레임워크가 완전 정보 이익의 최대 70%를 달고한다는 점을 바탕으로 겸허하게 결론을 맺는다. 이들은 향후 연구가 시장 가격 불확실성을 명시적으로 고려하는 인센티브 메커니즘이나 분산 학습(예: 연합 학습)을 탐구해야 한다고 제안하며, 이것이 광범위한 정책 문제를 해결하는 즉각적인 해결책이라고 주장하지는 않는다. 본 연구는 데이터 부족 문제를 해결하는 것이 아니라, 기존의 데이터 제한적 환경에 내재된 불확실성을 관리하는 견고한 방법을 제공하는 데 목적이 있다.